|
近年、実用化が期待されるディープニューラルネットワークは、実際の運用環境にて、学習時に想定していない状況が発生した場合、精度が十分に発揮できない問題がある。そこで、本研究は、学習に有用な、多様な学習データを生成するフレームワークを提案し、その有効性を実験を通して確認することを目的としている。本研究では、1年目に、つくばチャレンジの人物検出を題材にデータ生成技術を活用して認識精度を改善する基本フレームワークを構築する。そして、2年目に、基本フレームワークをより実用的な問題に適用するための、拡張を行う計画である。本年度は、本計画に従い、以下の3つの拡張を行った。
１）静止画像から対象物体の距離を推定する独自の2.5D CNN方式（１年目に提案）を、公開データのKITTIを用いて、公道上の車の距離推定に適用した。具体的には、物体の向きの違いによる、距離と見え方との関係の多様性を緩和するために、物体の向きを同時に推定する方法を提案した。
２）静止画像からの距離推定は、画像の解像度の限界などから、真の距離に対して数%程度の誤差が生じる。この誤差を改善するために、2.5DCNNと高精度なレーザセンサー測距とを組み合わせる独自の方式を提案した。具体的には、2.5D CNNの予測結果の分布に基づきレーザーセンサーの点群に信頼度重みを付与し、信頼度の重み付き統計を用いて点群データから距離を推定する方式である。
３）監視カメラの動画像からの異常検知では、正常データ時のデータは容易に取得できるが、多様な異常時のデータは取得困難である。そこで、正常行動の学習データを再現する生成モデルを学習し、当該生成モデルにノイズモデルを組み合わせることにより、多様な異常データを生成する独自の方法を提案した。
本研究の成果は、国内会議２件、国際会議１件、論文誌２件に掲載された。
|
